Abstract
COVID-19 pandemisi son iki yıldır dünyada hızla yayılmış ve bu alanda yapılan çalışmalar da artmıştır. COVID-19 olan hastaların, hasta olmayanlardan ayırt edilmesi de pandemideki en önemli sorunlardan bir tanesidir. Gerek hastalığın erken teşhisi gerekse hasta olmayanlara bulaşma riski açısından COVID-19’un otomatik tespiti oldukça önem arz etmektedir. Hastalığın teşhisinde farklı semptomların görülebilmesi ve hatta hiç semptom görülmeden bile oluşabilmesi teşhisi çok daha zor hale getirmiştir. Bu durum hastalığın teşhisi konusunda yapılan çalışmaları arttırmıştır. Öksürük ses kayıtları gibi solunum kayıtlarında var olan önemli özellikler kullanılarak teşhis yapılabilmesi de bu uygulamalardan bir tanesidir. Bu çalışmada öksürük ses kayıtları kullanılarak otomatik COVID-19 hastalık tespiti yapılmıştır. “COVID-19 Positive and Negative Patients' Cough Recordings” (HIMANSHU) veri seti kullanılarak gerçekleştirilen çalışmada ilk olarak ses dosyalarından Mel-Frekansı Kepstrum Katsayıları (MFCC) çıkarılmıştır. Farklı sayıda olan MFCC öznitelikleri istatistiksel değerler kullanılarak eşit boyutlu hale getirilmiştir. MFCC yöntemi ile elde edilen spektral özellikler 8, 16, 32, 64 tane olacak şekilde dört farklı uzunlukta katsayılar çıkarılmıştır. Son olarak makine öğrenmesi algoritmalarından Yapay Sinir Ağları (YSA), Naive Bayes (NB), K-en Yakın Komşu Algoritması (kNN), Rastgele Orman (RO) algoritmaları kullanılarak hastalık teşhisi yapılmıştır. Yapılan çalışmada COVID veya COVID-DEGİL şeklinde 2 sınıf kullanılmıştır. Uygulama on çapraz doğrulama yöntemi ile çalıştırılmıştır. Çalışma sonunda en yüksek sınıflandırma başarası kNN algoritması ile % 99.39 olarak gerçekleştirilmiştir.
References
- Akküçük, U. (2011). Veri Madencilği - Kümeleme ve Sınıflandırma Algoritamaları (Vol. 1). İstanbul: Yalın Yayıncılık.
- Alkhodari, M., & Khandoker, A. H. (2022). Detection of COVID-19 in smartphone-based breathing recordings: A pre-screening deep learning tool. PLOS ONE, 17(1), e0262448. doi:10.1371/journal.pone.0262448
- Bansal, V., Pahwa, G., & Kannan, N. (2020, 2-4 Oct. 2020). Cough Classification for COVID-19 based on audio mfcc features using Convolutional Neural Networks. Paper presented at the 2020 IEEE International Conference on Computing, Power and Communication Technologies (GUCON).
- Becchetti, C., & Prina-Ricotti, L. (2004). Speech Recognition;theory an C++ Implementation: John Wiley &Sons. Coronavirus disease 2019 (covid-19): situation report 162. (2020). Retrieved from
- COVID-19 Cough Recordings / COVID-19 Positive and Negative Patients' Cough Recordings. (2021). Retrieved from: https://www.kaggle.com/himanshu007121/coughclassifier-trial
- Demircan, S. (2020). Duygu Sınıflandırma Problemine Etmen Tabanlı Yaklaşım. (PHD), Konya Teknik Üniversitesi , Lsiasüstü Eğitim Enstitüsü.
- Demircan, S., & Ornek, H. K. (2020). Comparison of the Effects of Mel Coefficients and Spectrogram Images via Deep Learning in Emotion Classification. Traitement Du Signal, 37(1), 51-57. doi:10.18280/ts.370107
- Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis, 20(5), 533-534. doi:10.1016/S1473-3099(20)30120-1
- Elmas, Ç. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama) (Vol. 1). Ankara: Seçkin Yayıncılık.
- Islam, R., Abdel-Raheem, E., & Tarique, M. (2022). A study of using cough sounds and deep neural networks for the early detection of Covid-19. Biomedical Engineering Advances, 3, 100025. doi:https://doi.org/10.1016/j.bea.2022.100025
- Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159-174. doi:10.2307/2529310
- Menni, C., Valdes, A. M., Freidin, M. B., Sudre, C. H., Nguyen, L. H., Drew, D. A., . . . Spector, T. D. (2020). Real-time tracking of self-reported symptoms to predict potential COVID-19. Nature Medicine, 26(7), 1037-1040. doi:10.1038/s41591-020-0916-2
- Mesut, M. (2021). Diagnosis of COVID-19 and non-COVID-19 patients by classifying only a single cough sound. Neural Computing & Applications, 33(24), 17621-17632.
- Morice, A. H., Fontana, G. A., Sovijarvi, A. R. A., Pistolesi, M., Chung, K. F., Widdicombe, J., . . . Kastelik, J. (2004). The diagnosis and management of chronic cough. European Respiratory Journal, 24(3), 481-492. doi:10.1183/09031936.04.00027804
- Tena, A., Clarià, F., & Solsona, F. (2022). Automated detection of COVID-19 cough. Biomedical Signal Processing and Control, 71, 103175. doi:https://doi.org/10.1016/j.bspc.2021.103175 WHO Coronavirus (COVID-19) Dashboard. Retrieved from https://covid19.who.int/
- Zhou, Q., Shan, J. H., Ding, W. L., Wang, C. Y., Yuan, S., Sun, F. C., . . . Fang, B. (2021). Cough Recognition Based on Mel-Spectrogram and Convolutional Neural Network. Frontiers in Robotics and Ai, 8. doi:ARTN 58008010.3389/frobt.2021.580080
Abstract
COVID-19 pandemisi son iki yıldır dünyada hızla yayılmış ve bu alanda yapılan çalışmalar da artmıştır. COVID-19 olan hastaların, hasta olmayanlardan ayırt edilmesi de pandemideki en önemli sorunlardan bir tanesidir. Gerek hastalığın erken teşhisi gerekse hasta olmayanlara bulaşma riski açısından COVID-19’un otomatik tespiti oldukça önem arz etmektedir. Hastalığın teşhisinde farklı semptomların görülebilmesi ve hatta hiç semptom görülmeden bile oluşabilmesi teşhisi çok daha zor hale getirmiştir. Bu durum hastalığın teşhisi konusunda yapılan çalışmaları arttırmıştır. Öksürük ses kayıtları gibi solunum kayıtlarında var olan önemli özellikler kullanılarak teşhis yapılabilmesi de bu uygulamalardan bir tanesidir. Bu çalışmada öksürük ses kayıtları kullanılarak otomatik COVID-19 hastalık tespiti yapılmıştır. “COVID-19 Positive and Negative Patients' Cough Recordings” (HIMANSHU) veri seti kullanılarak gerçekleştirilen çalışmada ilk olarak ses dosyalarından Mel-Frekansı Kepstrum Katsayıları (MFCC) çıkarılmıştır. Farklı sayıda olan MFCC öznitelikleri istatistiksel değerler kullanılarak eşit boyutlu hale getirilmiştir. MFCC yöntemi ile elde edilen spektral özellikler 8, 16, 32, 64 tane olacak şekilde dört farklı uzunlukta katsayılar çıkarılmıştır. Son olarak makine öğrenmesi algoritmalarından Yapay Sinir Ağları (YSA), Naive Bayes (NB), K-en Yakın Komşu Algoritması (kNN), Rastgele Orman (RO) algoritmaları kullanılarak hastalık teşhisi yapılmıştır. Yapılan çalışmada COVID veya COVID-DEGİL şeklinde 2 sınıf kullanılmıştır. Uygulama on çapraz doğrulama yöntemi ile çalıştırılmıştır. Çalışma sonunda en yüksek sınıflandırma başarası kNN algoritması ile % 99.39 olarak gerçekleştirilmiştir.
Keywords
References
- Akküçük, U. (2011). Veri Madencilği - Kümeleme ve Sınıflandırma Algoritamaları (Vol. 1). İstanbul: Yalın Yayıncılık.
- Alkhodari, M., & Khandoker, A. H. (2022). Detection of COVID-19 in smartphone-based breathing recordings: A pre-screening deep learning tool. PLOS ONE, 17(1), e0262448. doi:10.1371/journal.pone.0262448
- Bansal, V., Pahwa, G., & Kannan, N. (2020, 2-4 Oct. 2020). Cough Classification for COVID-19 based on audio mfcc features using Convolutional Neural Networks. Paper presented at the 2020 IEEE International Conference on Computing, Power and Communication Technologies (GUCON).
- Becchetti, C., & Prina-Ricotti, L. (2004). Speech Recognition;theory an C++ Implementation: John Wiley &Sons. Coronavirus disease 2019 (covid-19): situation report 162. (2020). Retrieved from
- COVID-19 Cough Recordings / COVID-19 Positive and Negative Patients' Cough Recordings. (2021). Retrieved from: https://www.kaggle.com/himanshu007121/coughclassifier-trial
- Demircan, S. (2020). Duygu Sınıflandırma Problemine Etmen Tabanlı Yaklaşım. (PHD), Konya Teknik Üniversitesi , Lsiasüstü Eğitim Enstitüsü.
- Demircan, S., & Ornek, H. K. (2020). Comparison of the Effects of Mel Coefficients and Spectrogram Images via Deep Learning in Emotion Classification. Traitement Du Signal, 37(1), 51-57. doi:10.18280/ts.370107
- Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis, 20(5), 533-534. doi:10.1016/S1473-3099(20)30120-1
- Elmas, Ç. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama) (Vol. 1). Ankara: Seçkin Yayıncılık.
- Islam, R., Abdel-Raheem, E., & Tarique, M. (2022). A study of using cough sounds and deep neural networks for the early detection of Covid-19. Biomedical Engineering Advances, 3, 100025. doi:https://doi.org/10.1016/j.bea.2022.100025
- Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159-174. doi:10.2307/2529310
- Menni, C., Valdes, A. M., Freidin, M. B., Sudre, C. H., Nguyen, L. H., Drew, D. A., . . . Spector, T. D. (2020). Real-time tracking of self-reported symptoms to predict potential COVID-19. Nature Medicine, 26(7), 1037-1040. doi:10.1038/s41591-020-0916-2
- Mesut, M. (2021). Diagnosis of COVID-19 and non-COVID-19 patients by classifying only a single cough sound. Neural Computing & Applications, 33(24), 17621-17632.
- Morice, A. H., Fontana, G. A., Sovijarvi, A. R. A., Pistolesi, M., Chung, K. F., Widdicombe, J., . . . Kastelik, J. (2004). The diagnosis and management of chronic cough. European Respiratory Journal, 24(3), 481-492. doi:10.1183/09031936.04.00027804
- Tena, A., Clarià, F., & Solsona, F. (2022). Automated detection of COVID-19 cough. Biomedical Signal Processing and Control, 71, 103175. doi:https://doi.org/10.1016/j.bspc.2021.103175 WHO Coronavirus (COVID-19) Dashboard. Retrieved from https://covid19.who.int/
- Zhou, Q., Shan, J. H., Ding, W. L., Wang, C. Y., Yuan, S., Sun, F. C., . . . Fang, B. (2021). Cough Recognition Based on Mel-Spectrogram and Convolutional Neural Network. Frontiers in Robotics and Ai, 8. doi:ARTN 58008010.3389/frobt.2021.580080
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Engineering |
| Journal Section | Articles |
| Authors | |
| Early Pub Date | January 30, 2022 |
| Publication Date | March 31, 2022 |
| Published in Issue | Year 2022 Issue: 34 |
